胡章芳,乐聪聪,张 毅,罗 元,刘 宇

(重庆邮电大学 重庆市信息无障碍与服务机器人工程技术研究中心,重庆 400065)

0 概述

在室内封闭环境中进行发声时,语音衰减的主要原因是房间混响。虽然人的听觉很少受房间混响的影响,且实际上混响增加的响度甚至可以增强语音可懂度,但是混响却导致当前自动语音识别(Automatic Speech Recognition,ASR)和声源定位等性能降低。

在各种各样的环境下,人耳能够敏锐地判断出声源的位置,这一事实表明人们可以通过模仿人耳听觉系统的机制来实现有效的人工双耳声源定位[1-3]。该过程主要的定位线索是声波到达双耳时的时间差(ITD)、强度差(ILD)以及不同人的声波中包含的不同频率成分[4-6],这些特征都可以用头部相关传递函数(Head Related Transfer Function,HRTF)来统一描述。人耳进行定位时所包含的信息形成是在耳膜以前完成的,因此,HRTF包含了定位需要的所有物理信息[7]。HRIR是HRTF的时域表示。目前多数定位算法都是根据定位线索ITD/ILD估计来确定声源位置[8-9]。文献[10-11]提出使用倒谱预滤波方法后再提取ITD,这样可以减少混响对声源定位的影响。该算法通过对接收信号进行最小相位分解来消去混响分量,从而提高在混响环境下双耳声源定位的鲁棒性。然而,对语音的不同频率成分都做同样的处理,会导致在客观结果和主观听觉上声源定位的效果都受到影响。

对声源信号各频率分量做同样的处理,不能解决混响对不同频率语音的影响差异问题,从而导致定位误差。为此,本文提出一种分频的广义互相关时延估计定位算法GT-PHAT-GCC。……